Eikonal Regularisation in Physics-Informed Neural Networks for Three-Dimensional Level-Set Advection: Transferability of Two-Dimensional Design Principles

कल्पना कीजिए कि आप पानी के एक टैंक में घूमते हुए एक अदृश्य, आकार बदलने वाले पेंट के धब्बे को ट्रैक करने की कोशिश कर रहे हैं। वास्तविक दुनिया में ऐसा हमेशा होता है: पानी में तेल का मिलना, आग में लपटों का फड़कना, या आसमान में बादलों का तैरना। वैज्ञानिक इस अदृश्य सीमा को मैप करने के लिए "लेवल-सेट विधि" (level-set method) नामक एक चतुर गणितीय तकनीक का उपयोग करते हैं। धब्बे के चारों ओर एक रेखा खींचने के बजाय, वे एक 3D परिदृश्य की कल्पना करते हैं जहाँ धब्बे की सतह मानचित्र पर केवल "शून्य" (zero) रेखा होती है। यदि मानचित्र चिकना और सुव्यवस्थित रहता है, तो कंप्यूटर आसानी से अनुमान लगा सकता है कि धब्बा आगे कहाँ जाएगा।

हालाँकि, कंप्यूटर इन मानचित्रों को चिकना बनाए रखने में बहुत खराब होते हैं। जैसे-जैसे धब्बा मुड़ता और खिंचता है, मानचित्र अव्यवस्थित हो जाता है, जैसे कागज का कोई मुड़ा हुआ टुकड़ा, और कंप्यूटर धब्बे के आकार या उसके आकार को ट्रैक करना खोने लगता है। इसे ठीक करने के लिए, वैज्ञानिक "फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स" (PINNs) का उपयोग करते हैं। इन्हें ऐसे समझें जैसे कि ये सुपर-स्मार्ट, डिजिटल प्रशिक्षु (apprentices) हैं जो तरल गति के नियमों को प्रयास और त्रुटि (trial and error) के माध्यम से सीखते हैं। वे मानचित्र का अनुमान लगाने की कोशिश करते हैं, भौतिकी के नियमों के विरुद्ध अपने काम की जाँच करते हैं, और फिर अपने अनुमान को सही करने के लिए उसे सुधारते हैं। लेकिन इसमें एक पेंच है: प्रशिक्षु को एक शिक्षक की आवश्यकता होती है जो उसे यह बता सके कि मानचित्र को चिकना बनाए रखने बनाम प्रवाह का पालन करने पर कितना ध्यान देना है। यदि शिक्षक बहुत सख्त है, तो मानचित्र चिकना रहता है लेकिन धब्बा गलत तरीके से चलता है। यदि शिक्षक बहुत ढीला है, तो धब्बा सही चलता है लेकिन मानचित्र सिकुड़ जाता है। सही संतुलन खोजना ही वह "सीक्रेट सॉस" (secret sauce) है, और यही वह चीज़ है जिसकी यह शोध-पत्र जांच करता है।

यह शोध-पत्र एक विशिष्ट प्रश्न की गहरी पड़ताल है: क्या वह "सीक्रेट सॉस" रेसिपी जो 2D सिमुलेशन (सपाट सतहों) के लिए काम करती थी, वह 3D सिमुलेशन (वास्तविक, आयतन वाले स्थान) के लिए भी काम करेगी? लेखक, मुहम्मद अकबर खान, इसे चार अलग-अलग 3D परिदृश्यों का उपयोग करके परखते हैं: एक गोला जो बस कमरे में फिसल रहा है, एक गोला जो अपनी जगह पर घूम रहा है, एक गोला जिसमें एक खांचा कटा हुआ है (जैसे पैकमैन का आकार), और एक गोला जिसे एक पतली चादर में खींचा गया है और फिर वह अपने मूल आकार में वापस आ जाता है।

अध्ययन से पता चलता है कि "सीक्रेट सॉस" कोई एक-आकार-सभी-के-लिए-उपयुक्त (one-size-fits-all) रेसिपी नहीं है। वास्तव में, "चिकनाई वाले शिक्षक" (smoothness teacher) के लिए आदर्श सेटिंग पूरी तरह से इस बात पर निर्भर करती है कि धब्बे को कितना दबाया या खींचा जा रहा है। जब गोला बिना आकार बदले बस फिसलता या घूमता है, तो शिक्षक को काफी सख्त होना चाहिए (एक विशिष्ट सेटिंग $10^{-1}$)। लेकिन जब गोले को एक पतली चादर में खींचा जाता है, तो शिक्षक को लगभग पूरी तरह से शांत रहना चाहिए (एक सेटिंग $10^{-5}$), क्योंकि मानचित्र को चिकना बनाए रखने के लिए मजबूर करना वास्तव में कंप्यूटर को आकार के बारे में झूठ बोलने के लिए मजबूर करता है। यह शोध-पत्र दिखाता है कि यदि आप बिना जाँच किए 2D प्रयोग से सेटिंग्स को 3D में कॉपी-पेस्ट करने की कोशिश करते हैं, तो आप गलत हो सकते हैं; कभी-कभी यह काम करता है, लेकिन कभी-कभी त्रुटि तीन गुना अधिक होती है।

इसके अलावा, यह शोध-पत्र कंप्यूटर प्रयोगों में एक छिपे हुए खतरे पर प्रकाश डालता है: यादृच्छिकता (randomness)। यदि आप सिमुलेशन को केवल एक बार चलाते हैं, तो आप भाग्यशाली या दुर्भाग्यपूर्ण हो सकते हैं। एक ही परीक्षण को अलग-अलग रैंडम सीड्स के साथ 18 बार चलाने के बाद, लेखक ने पाया कि सही "चिकनाई" सेटिंग के बिना, परिणाम एक रन से दूसरे रन में बेतहाशा बदलते रहते हैं। सही सेटिंग न केवल उत्तर को सटीक बनाती है; यह उत्तर को "पुनरुत्पादनीय" (reproducible) भी बनाती है, यह सुनिश्चित करती है कि यदि आप प्रयोग को फिर से चलाते हैं, तो आपको वही परिणाम प्राप्त होगा।

अंत में, यह शोध-पत्र इन न्यूरल नेटवर्क प्रशिक्षुओं की तुलना एक बहुत ही अनुभवी, शास्त्रीय कंप्यूटर सॉल्वर (एक हाई-ऑर्डर WENO स्कीम) से करता है। परिणाम ईमानदार हैं: शास्त्रीय सॉल्वर अभी भी चैंपियन है, जो सरल, चिकने प्रवाह पर न्यूरल नेटवर्क को भारी अंतर से (100 गुना तक अधिक सटीकता के साथ) पीछे छोड़ देता है। हालाँकि, जैसे-जैसे आकार कठिन और अधिक मुड़े हुए होते जाते हैं, अंतर कम होता जाता है। न्यूरल नेटवर्क अभी भी सरल कार्यों के लिए सबसे तेज़ या सबसे सटीक उपकरण नहीं है, लेकिन यह अनूठी महाशक्तियाँ प्रदान करता है: इसे खड़े होने के लिए किसी ग्रिड की आवश्यकता नहीं है, यह समय में निरंतर कार्य करता है, और इसे हर बार आकार बदलने पर फिर से सिखाने की आवश्यकता नहीं होती है। शोध-पत्र निष्कर्ष निकालता है कि हालांकि हमने शास्त्रीय तरीकों को बदलने की समस्या को हल नहीं किया है, लेकिन हमने यह ठीक से सीख लिया है कि इन न्यूरल नेटवर्क्स को कैसे ट्यून किया जाए ताकि वे विफल न हों, और हमने यह साबित कर दिया है कि आप बिना परीक्षण किए यह मानकर नहीं चल सकते कि 2D का कोई तरीका 3D में भी काम करेगा।